- 使用半群正则化的时间连续网络学习图像配准中的差分同胚
通过在时间连续区间内确保微分同胚，我们提出了一种新颖的基于学习的三维图像配准方法，该方法减少了正则化项和附加积分的需求，并利用时间嵌入的 UNets 技术来实现时间连续的微分同胚流。在两个公共数据集上的实验结果表明，我们的模型相较于基于学习 - 基于分类和 Contourlet 特征的纹理图像检索
基于 RCT-Plus 变换的内容基于图像检索（CBIR）框架通过提取图像中更丰富的方向信息的新形象表示，改进了纹理图像的图像检索过程；通过使用适应于 RCT-Plus 变换统计建模的相似度度量对数据库中的图像进行分类，然后对查询进行分类以 - 朝着敏捷机器人：基于神经网络的直观机器人位置推测
提出了一种基于学习的机器人位置推测网络（RPSN），通过可微的逆运动学算法和神经网络，该方法可以很高的成功率推测出机器人的位置。实验结果表明，RPSN 能够在较少次数的尝试中生成理想位置，并展示了较高的数据效率。这项工作使得机器人能够快速准 - 广义肖像质量评估
FHIQA 是一种基于学习的自动肖像质量评估方法，通过图像语义的简单但有效的质量分数重新缩放方法来增强细粒度图像质量度量的准确性，同时保证在训练数据集之外的各种场景设置下能够具有稳健的泛化能力。
- 基于高斯过程的欧拉 - 拉格朗日系统跟踪控制在拓扑切换下的合作学习
本研究提出了一种基于学习的方法，用于解决具有部分未知动力学的切换通信拓扑下的欧拉 - 拉格朗日多智能体系统的跟踪控制问题。该方法借助基于高斯过程回归的关联感知协同算法框架，巧妙地捕捉智能体间的相关性以进行不确定性预测。其显著特点是在避免了计 - 从图像中预测长距离自主越野导航的高程地图
基于学习的方法利用仅通过机载自我中心图像实时预测长距离地形高程图，在复杂和非结构化地形中实现自主越野机器人导航，并优于现有方法。
- DeepFracture：一种预测脆性断裂的生成方法
在脆性断裂动画领域，本文引入了一种新颖的基于学习的方法，将逼真的脆性断裂动画与刚体模拟相融合，通过 BEM 脆性断裂模拟和几何分割有符号距离函数（GS-SDF）作为训练数据，采用潜在冲量表示法作为输入，在保持计算效率的同时生成更详细的脆性断 - 神经边界
使用神经网络作为边界体积来学习计算机图形和视觉任务中的分类问题，通过改进动态加权非对称损失函数，我们实现了神经边界体积方法相较于传统方法减少了一个数量级的错误判断。
- 云计算中优化资源供应的成本感知机制
通过学习为基础的资源配置方法，实现了云计算中的低成本、高效能需求的资源调配方案。通过综合评估，我们的方法有效地满足了大多数需求，并且受到了性能目标的支持。
- 通过基于学习的眼高自适应提升预捕获环境的感知与沉浸
基于全景相机的预捕获沉浸式环境提供了广泛的虚拟现实应用。先前的研究表明，在自我中心的虚拟环境中操纵眼高可以显著影响距离感和沉浸感。然而，由于在捕获过程完成后改变视角的困难，对于预捕获的真实环境中的眼高的影响付诸较少关注。为了探索这种影响，我 - D2S：相机重定位中的本地描述符和全局场景坐标表示
本研究提出了一种基于学习的直接定位方法，使用简单的网络 D2S 来表示本地描述符和场景坐标，通过选择性关注鲁棒描述符并忽略云、树木和其他动态物体的方法，完成了稀疏描述符的二元 - 语义分类，在室内和室外环境中超越了现有的基于 CNN 的方法 - 通过学习压缩的有限元模型进行软体机器人的直接和逆向建模
基于学习的方法提出了一种紧凑但足够丰富的力学表示，通过 FEM 模型的压缩获得非线性可变性数据，在模型化中非常高效，并能够推导出机器人的正向和逆向运动学。
- 在多机器人网络中，从节点轨迹中学习识别图形
该研究提出了一种基于学习的方法，结合了强凸规划和自注意力编码器，可以有效地揭示图的拓扑结构以及预测适当的正则化参数，从而解决了网络配置不同的情况下图拓扑的识别问题。
- 基于 PapillArray 光学触觉传感器的鲁棒学习型潜在滑动检测用于提升机器人抓握能力
本研究通过使用 PapillArray（澳大利亚的 Contactile）触觉传感器，提出了一种基于学习的新方法来检测潜在滑移。该模型具有高效的模式识别能力，测试数据显示，其检测精度达到了 95.6％。此外，在将该模型应用于不同于训练数据所 - MOVESe: 改进的导航运动可变的移动激光雷达场景分割方法
提出一种基于学习的方法，通过生成场景的静态部分，来分割可移动和移动物体的 LiDAR 精确检测，该模型表明优于现有基线，无需分割标注即可用于不同场景的 SLAM 导航
- GiPH: 适应性异构计算的通用布局学习
GiPH 是一种学习方法，利用图形神经网络和图形表示法表示信息，学习动态设备集群中的好位置，使应用完成时间最短。GiPH 能够找到比其他基于搜索的部署策略更快的位置，完成时间降低了 30.5%。
- EV-Catcher: 使用低延迟事件驱动神经网络实现高速目标捕捉
使用事件传感器进行实时感知的轻量化学习方法。可用于快速移动物体的准确检测。在实验中，对于打向不同位置、速度达到 13m/s 的乒乓球，成功率高达 81%。
- 机器人任务规范的自然语言到线性时间逻辑翻译器的高效数据学习
本文提出一种基于学习的方法，通过算法生成 LTL 公式，并将其转换为结构化英语进而利用现代大型语言模型的改写功能来合成自然语言命令，从而减少人工数据依赖，以 75％的准确率将自然语言命令翻译成 LTL 规范，并发现该翻译的公式能够用于长视距 - CVPR基于事件的偏振形状恢复
通过使用高速旋转的线性偏振器和事件相机，我们提出了一种用于实现事件极化成像的解决方案，该解决方案使用了基于学习的方法来估计表面法线，在现实世界的实验中，性能比基于物理的方案高出了 52％。
- 提升神经网络以反编译优化二进制文件
本文介绍了一种新的学习方法，称为 NeurDP，以处理被编译优化的二进制文件的反编译问题，并以图神经网络模型将低级程序语言转换为中间表示，从而实现更好的翻译性能，经评估结果表明，NeurDP 可以比最先进的神经反编译框架的准确率高出 45.